論文の概要: USD: A User-Intent-Driven Sampling and Dual-Debiasing Framework for Large-Scale Homepage Recommendations
- arxiv url: http://arxiv.org/abs/2507.06503v2
- Date: Thu, 10 Jul 2025 06:49:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-11 12:24:00.087732
- Title: USD: A User-Intent-Driven Sampling and Dual-Debiasing Framework for Large-Scale Homepage Recommendations
- Title（参考訳）: USD: 大規模ホームページレコメンデーションのためのユーザインテント駆動サンプリングとデュアルデバイアスフレームワーク
- Authors: Jiaqi Zheng, Cheng Guo, Yi Cao, Chaoqun Hou, Tong Liu, Bo Zheng,
- Abstract要約: 本稿では,大規模なホームページレコメンデーションサンプリングとデバイアスのための統合フレームワークを提案する。
本フレームワークは,(1)不正露光サンプルをフィルタするユーザ意図認識型ネガティブサンプリングモジュール,(2)露光バイアスとクリックバイアスを共同で補正するインテント駆動型デュアルデバイアスモジュールの2つのキーコンポーネントから構成される。
- 参考スコア（独自算出の注目度）: 23.169491025951974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale homepage recommendations face critical challenges from pseudo-negative samples caused by exposure bias, where non-clicks may indicate inattention rather than disinterest. Existing work lacks thorough analysis of invalid exposures and typically addresses isolated aspects (e.g., sampling strategies), overlooking the critical impact of pseudo-positive samples - such as homepage clicks merely to visit marketing portals. We propose a unified framework for large-scale homepage recommendation sampling and debiasing. Our framework consists of two key components: (1) a user intent-aware negative sampling module to filter invalid exposure samples, and (2) an intent-driven dual-debiasing module that jointly corrects exposure bias and click bias. Extensive online experiments on Taobao demonstrate the efficacy of our framework, achieving significant improvements in user click-through rates (UCTR) by 35.4% and 14.5% in two variants of the marketing block on the Taobao homepage, Baiyibutie and Taobaomiaosha.
- Abstract（参考訳）: 大規模なホームページの推薦は、露出バイアスによって引き起こされる疑似陰性サンプルから重要な課題に直面している。
既存の作業には、不正な露出の徹底的な分析がなく、通常は孤立した側面(例:サンプリング戦略)に対処する。
本稿では,大規模なホームページレコメンデーションサンプリングとデバイアスのための統合フレームワークを提案する。
本フレームワークは,(1)不正露光サンプルをフィルタするユーザ意図認識型ネガティブサンプリングモジュール,(2)露光バイアスとクリックバイアスを共同で補正するインテント駆動型デュアルデバイアスモジュールの2つのキーコンポーネントから構成される。
Taobaoの大規模なオンライン実験は、我々のフレームワークの有効性を実証し、Taobaoのホームページ、BaiyibutieとTaobaomiaoshaのマーケティングブロックの2つのバリエーションにおいて、ユーザクリックスルーレート(UCTR)を35.4%、14.5%改善した。
関連論文リスト
- Unidentified and Confounded? Understanding Two-Tower Models for Unbiased Learning to Rank [50.9530591265324]
良好な性能のプロダクションシステムによって収集されたクリックで2towerモデルをトレーニングすると、ランキング性能が低下する。
理論的には、2towerモデルの識別可能性条件を解析し、クリックからモデルパラメータを復元するために、文書の入れ替わりや重複する特徴分布が必要であることを示す。
また,ログポリシが2towerモデルに与える影響についても検討し,モデルがユーザの動作を完全に捉えている場合,バイアスが発生しないことを見出した。
論文 参考訳（メタデータ） (2025-06-25T14:47:43Z) - Variational Bayesian Personalized Ranking [39.24591060825056]
変分的BPRは、確率最適化、ノイズ低減、人気低下を統合する、新しく実装が容易な学習目標である。
本稿では,問題サンプルからの雑音を効果的に低減するために,注目に基づく競合学習手法を提案する。
実験により、人気のあるバックボーンレコメンデーションモデルにおける変分BPRの有効性を実証する。
論文 参考訳（メタデータ） (2025-03-14T04:22:01Z) - Unbiased Learning to Rank with Query-Level Click Propensity Estimation: Beyond Pointwise Observation and Relevance [74.43264459255121]
現実のシナリオでは、ユーザーは複数の関連するオプションを調べた後、1つまたは2つの結果だけをクリックします。
本稿では,ユーザが異なる検索結果リストをクリックする確率を捉えるために,クエリレベルのクリック確率モデルを提案する。
本手法では,2次元逆重み付け機構を導入し,相対飽和度と位置偏差に対処する。
論文 参考訳（メタデータ） (2025-02-17T03:55:51Z) - USM: Unbiased Survey Modeling for Limiting Negative User Experiences in Recommendation Systems [0.9950770451047565]
本稿では,レコメンデーションプラットフォーム上でのネガティブなユーザエクスペリエンスの制限を目的としたアプローチを提案する。
提案手法は,フィード内調査をユーザに配布し,ユーザからのフィードバックをモデル化し,モデル予測をレコメンデーションシステムに統合することに依存する。
論文 参考訳（メタデータ） (2024-12-14T04:22:09Z) - An IPW-based Unbiased Ranking Metric in Two-sided Markets [3.845857580909374]
本稿では,2つの市場におけるユーザ間のバイアスの複雑な相互作用について論じる。
そこで我々は,2面IPWという新しい推定器を提案し,その位置ベースを両面IPWと呼ぶ。
論文 参考訳（メタデータ） (2023-07-14T01:44:03Z) - An Offline Metric for the Debiasedness of Click Models [52.25681483524383]
クリックモデルは、ユーザークリックから情報を抽出する一般的な方法である。
最近の研究は、コミュニティにおける現在の評価プラクティスが、良いパフォーマンスのクリックモデルが下流のタスクにうまく一般化することを保証できないことを示している。
クリックモデリングにおける偏りの概念を導入し,その測定基準を導出する。
論文 参考訳（メタデータ） (2023-04-19T10:59:34Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳（メタデータ） (2023-02-22T14:50:24Z) - Bilateral Self-unbiased Learning from Biased Implicit Feedback [10.690479112143658]
バイラテラル・セルフ・アンバイアスド・レコメンダ(BISER)という,新しいアンバイアスド・レコメンダラー・ラーニング・モデルを提案する。
BISERは、(i)自己逆確率重み付け(SIPW)と(ii)モデル予測における2つの相補的モデル間のギャップを埋める両側非バイアス学習(BU)の2つの重要な構成要素から構成される。
大規模な実験により、BISERは複数のデータセットに対して最先端の非バイアスのレコメンデータモデルより一貫して優れていることが示されている。
論文 参考訳（メタデータ） (2022-07-26T05:17:42Z) - Probabilistic and Variational Recommendation Denoising [56.879165033014026]
暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。
本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。
提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
論文 参考訳（メタデータ） (2021-05-20T08:59:44Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳（メタデータ） (2021-05-16T08:06:22Z) - Sampler Design for Implicit Feedback Data by Noisy-label Robust Learning [32.76804332450971]
暗黙的なフィードバックデータに対する雑音ラベルの頑健な学習に基づく適応型サンプリング器を設計する。
モデルを用いてユーザの好みを予測し、観測されたデータラベルの可能性を最大化して学習する。
次に、これらのノイズラベルのリスクを検討し、ノイズラベルのRobust BPOを提案する。
論文 参考訳（メタデータ） (2020-06-28T05:31:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。